针对可穿戴人体活动识别系统的标签翻转数据投毒攻击
密码学与安全
2022-08-18 v1 人机交互
机器学习
信号处理
摘要
人体活动识别(HAR)是利用高效机器学习(ML)方法将传感器数据解释为人体运动的问题。HAR系统依赖来自不可信用户的数据，使其易遭数据投毒攻击。在投毒攻击中，攻击者操纵传感器读数以污染训练集，误导HAR产生错误结果。本文提出一种针对HAR系统的标签翻转数据投毒攻击设计，即在数据采集阶段恶意更改传感器读数的标签。由于感知环境中的高噪声与不确定性，此类攻击对识别系统构成严重威胁。此外，当活动识别模型部署于安全关键应用时，对标签翻转攻击的脆弱性是危险的。本文阐明了如何通过基于智能手机的传感器数据采集应用实际实施该攻击。据我们所知，这是较早探索通过标签翻转投毒攻击HAR模型的研究工作。我们实现了所提攻击，并基于以下机器学习算法测试于活动识别模型：多层感知机、决策树、随机森林及XGBoost。最后，我们评估了基于K近邻(KNN)的防御机制对所提攻击的有效性。
引用
@article{arxiv.2208.08433,
title = {Label Flipping Data Poisoning Attack Against Wearable Human Activity Recognition System},
author = {Abdur R. Shahid and Ahmed Imteaj and Peter Y. Wu and Diane A. Igoche and Tauhidul Alam},
journal= {arXiv preprint arXiv:2208.08433},
year = {2022}
}
备注
Submitted to IEEE SSCI 2022 Conference